上海海洋大学《遥感原理》课件-遥感原理04c.pptVIP

图像的平滑是使图像中高频成分消退，即平滑图像的细节，使其反差降低，保存低频成分，在频域中称为低通滤波。在空间域处理中，是对邻区窗口内的图像区域积分。对于离散的数字图像其平滑公式为：式中：g(x，y)为点(X，Y)平滑后的灰度值；f(n，m)为S集合中各像元的灰度值；X=O，1，2，…，N-1；Y=O，1，2，…，N-1；S是点(X，Y)邻域中的坐标(不包括(X，Y))的集合；M是集合S中坐标点的总数。图像平滑锐化是增强图像中的高频成分，在频域处理中称为高通滤波，也就是使图像细节的反差提高，也称边缘增强。锐化是对邻区窗口内的图像微分。给定一个函数f(X，Y)，在坐标(X，Y)上的梯度定义为一个矢量：梯度的模为：锐化3、频域图像增强与滤波五、图像融合遥感图像信息融合(Fusion)是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程。不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。1、图像变换四、图像变换和增强傅立叶变换在遥感图像分类中，常常利用主成分分析算法来消除特征向量中各特征之间的相关性，并进行特征选择。主成分分析算法还可以用来进行高光谱图像(Hyper-spectralimages)数据的压缩和信息融合。例如：对LandsatTM的6个波段的多光谱图像(热红外波段除外)进行主成分分析，然后把得到的第1，2，3主分量图像进行彩色合成，可以获得信息量非常丰富的彩色图像。K—L变换(主成分分析)原始数据为二维数据，两个分量x1、x2之间存在相关性，具有如图所示的分布。通过投影，各数据可以表示为y1轴上的一维点数据。从二维空间中的数据变成一维空间中的数据会产生信息损失，为了使信息损失最小，必须按照使一维数据的信息量(方差)最大的原则确定y1轴的取向，新轴y1称作第一主成分。为了进一步汇集剩余的信息，可求出与第一轴y1正交、且尽可能多地汇集剩余信息第二轴y2，新轴y2称作第二主成分。主成分分析的原理1976年，Kauth和Thomas发现了一种线性变换，它使坐标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向，这些方向与地面景物有密切的关系，特别是与植物生长过程和土壤有关。这种变换既可以实现信息压缩，又可以帮助解译分析农业特征，因此有很大的实际应用意义。K-T变换，又形象地称为“缨帽变换”。这种变换着眼点在于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征。目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。Kauth-Thomas变换(K-T变换)2、图像增强目前常用的遥感图像增强处理主要有：彩色合成、灰度变换、直方图变换、密度分割、灰度颠倒、图像间运算、邻域增强处理等。（1）彩色增强灰度颠倒在光学处理中为负片印制成正片，或反之。灰度变换数字处理是将图像的灰度范围先拉伸到显示设备的动态范围(如0～255)成饱和状态，然后进行颠倒。这样的运算，可以使正像和负像互换。（2）灰度颠倒直方图：统计每幅图像的各亮度的像元数而得到的随机分布图，即为该幅图像的直方图。一般来说，包含大量像元的图像，像元的亮度随机分布应是正态分布。直方图为非正态分布，说明图像的亮度分布偏亮、偏暗或亮度过于集中，图像的对比度小，需要调整该直方图到正态分布，以改善图像的质量。（3）直方图调整图像密度分割原理可以按如下步骤进行：（a）求图像的极大值dmax和极小值dmin；（b）求图像的密度区间ΔD=dmax-dmin+1；（c）求分割层的密度差Δd=ΔD／n，其中n为需分割的层数；（d）求各层的密度区间；（e）定出各密度层灰度值或颜色。（4）密度分割两幅或多幅单波段图像，空间配准后可进行算术运算，实现图像的增强。减法运算：可突现出两波段差值大的地物，如红外-红，可突现植被信息。比值运算：常用于计算植被指数、消除地形阴影等。植被指数：NDVI=（TM4-TM3）/（TM4+TM3）(5)图像间运算邻区法增强处理是在被处理像元周围的像元参与下进行的运算处理。邻域处理又叫滤波处理，邻域的范围取决于滤波器的大小，如3×3或5×5等。